Phát triển phương pháp dự báo hạn hán sớm vài tháng

Dữ liệu lượng mưa là cơ sở để dự báo hạn hán dài ngày. Minh họa/INT

Dự báo bằng chỉ số lượng mưa

Trên cơ sở kết hợp mô hình động lực và phương pháp thống kê, nhà nghiên cứu Trịnh Tuấn Long (Viện Khoa học Thủy lợi) và cộng sự ở Trường Đại học Mỏ - Địa chất, Trường Đại học Khoa học Tự nhiên (Đại học Quốc gia Hà Nội) và Trường Đại học Khoa học & Công nghệ Hà Nội đã phát triển phương pháp dự báo hạn hán trước một đến vài tháng bằng chỉ số lượng mưa chuẩn hóa (SPI).

Hạn hán là một hiện tượng tự nhiên được coi là thiên tai, tạo thành bởi sự thiếu hụt nghiêm trọng lượng mưa trong thời gian kéo dài, làm giảm hàm lượng ẩm trong không khí và lượng nước trong đất; làm suy kiệt dòng chảy sông suối, hạ thấp mực nước ao hồ, trong các tầng chứa dưới đất. Mưa rất ít, lượng mưa không đáng kể trong thời gian dài, hầu như quanh năm, đây là tình trạng phổ biến trên các vùng khô hạn và bán khô hạn.

Lượng mưa trong khoảng thời gian dài đáng kể thấp hơn rõ rệt mức trung bình nhiều năm cùng kỳ. Tình trạng này có thể xảy ra trên hầu khắp các vùng, kể cả vùng mưa nhiều.

Một trường hợp khác là mưa không ít lắm, nhưng trong một thời gian nhất định trước đó không mưa hoặc mưa chỉ đáp ứng nhu cầu tối thiểu của sản xuất và môi trường xung quanh. Đây là tình trạng phổ biến trên các vùng khí hậu gió mùa, có sự khác biệt rõ rệt về mưa giữa mùa mưa và mùa khô.

Hạn hán có tác động to lớn đến môi trường, kinh tế, chính trị xã hội và sức khỏe con người. Hạn hán tác động đến kinh tế xã hội như giảm diện tích gieo trồng và năng suất, sản lượng, chủ yếu là sản lượng cây lương thực.

Tăng chi phí sản xuất nông nghiệp, giảm thu nhập của lao động nông nghiệp. Tăng giá thành và giá cả lương thực. Giảm tổng giá trị sản phẩm chăn nuôi. Các nhà máy thủy điện gặp nhiều khó khăn trong quá trình vận hành.

Hiện nay bài toán dự báo hạn hán vẫn có nhiều thách thức do hạn chế trong dự báo mùa với quy mô thời gian dao động từ một vài tháng đến một năm. Cùng đó là do thiếu bộ số liệu quan trắc đồng nhất theo không gian và thời gian, các phương pháp xử lý hậu mô hình.

Để giải quyết vấn đề, các nhà nghiên cứu sử dụng mô hình khí hậu khu vực với dữ liệu đầu vào là các trường dự báo toàn cầu, sau đó hiệu chỉnh thống kê như mạng thần kinh nhân tạo (ANN) và hồi quy tuyến tính đa biến (MLR).

Mô hình dự báo chính xác vượt trội

Tại Việt Nam, hạn hán là một trong những hiểm họa tự nhiên nghiêm trọng gây nhiều thiệt hại về kinh tế và xã hội. Các đợt hạn lớn đã xảy ra nhiều lần trong lịch sử như hạn hán năm 1977 - 1978 gây thiếu nước nghiêm trọng ở miền Trung và phía Nam; hạn hán 1997 - 1998 gây thiệt hại lớn về nông nghiệp, ảnh hưởng nặng nề đến đời sống dân sinh ở nhiều tỉnh miền Trung và Tây Nguyên.

Gần đây nhất, đợt hạn hán kéo dài từ cuối năm 2019 đến giữa năm 2020 đã làm thiếu nước trầm trọng tại nhiều khu vực, đặc biệt là Nam Trung Bộ và Tây Nguyên. Do tác động của biến đổi khí hậu toàn cầu, các đợt hạn hán có khả năng sẽ ngày càng trở nên nghiêm trọng hơn về cường độ và thời gian kéo dài.

Hiện nay, các nghiên cứu về dự báo hạn hán còn rất hạn chế, do thiếu bộ số liệu quan trắc đồng nhất theo không gian và thời gian (dữ liệu quan trắc lưới) cùng các phương pháp xử lý hậu mô hình. Do đó, trong nghiên cứu này, khả năng dự báo mùa hạn hán sử dụng chỉ số SPI được phân tích, đánh giá khả năng dự báo cho Việt Nam trên cơ sở kết hợp giữa phương pháp thống kê và động lực.

Các chỉ số đánh giá dự báo cũng cho thấy chỉ số SPI được tính với lượng mưa tổ hợp từ mô hình sau khi hiệu chỉnh có khả năng tái tạo tốt các sự kiện hạn, đặc biệt là hạn nhẹ. Dự báo mùa hạn hán cho Việt Nam bằng chỉ số lượng mưa chuẩn hóa (SPI) từ sản phẩm dự báo của mô hình động lực kết hợp hiệu chỉnh thống kê với hạn dự báo từ 1 đến 6 tháng.

Việc hiệu chỉnh lượng mưa mô hình bằng các phương pháp thống kê như mạng thần kinh nhân tạo (ANN) và hồi quy tuyến tính đa biến (MLR) đã cải thiện đáng kể độ chính xác lượng mưa dự báo. Kỹ năng hiệu chỉnh của ANN và MLR có phần vượt trội hơn so với Cli (phương pháp hiệu chỉnh sai số hệ thống dựa trên trung bình khí hậu).

Không có sự khác biệt đáng kể giữa kết quả hiệu chỉnh của hai mô hình RegCM và clWRF (mô hình khí hậu khu vực) và giữa các hạn dự báo khác nhau. Chỉ số hạn dự báo của mô hình có tương quan tốt với quan trắc.

Kỹ năng dự báo hạn nhẹ của mô hình tốt hơn đáng kể so với dự báo hạn vừa. Việc lấy trung bình tổ hợp các chỉ số hạn có thể là nguyên nhân cơ bản dẫn đến kỹ năng dự báo hạn có cường độ mạnh kém hơn hạn có cường độ yếu.

Các nhà nghiên cứu cho rằng, phương pháp của họ vẫn còn tồn tại một số hạn chế về khả năng dự báo chính xác cường độ và phân bố theo không gian của các đợt hạn vừa tại một số nơi như khu vực miền Trung.

Nhật Phong